論文の概要: Identifying Exoplanets with Deep Learning. IV. Removing Stellar Activity Signals from Radial Velocity Measurements Using Neural Networks

• arxiv url: http://arxiv.org/abs/2011.00003v3
• Date: Mon, 13 Jun 2022 15:25:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:37:48.123447
• Title: Identifying Exoplanets with Deep Learning. IV. Removing Stellar Activity Signals from Radial Velocity Measurements Using Neural Networks
• Title（参考訳）: 深層学習による外惑星の同定 IV。 ニューラルネットワークを用いた放射速度測定からの恒星活動信号の除去
• Authors: Zoe L. de Beurs, Andrew Vanderburg, Christopher J. Shallue, Xavier Dumusque, Andrew Collier Cameron, Christopher Leet, Lars A. Buchhave, Rosario Cosentino, Adriano Ghedina, Rapha\"elle D. Haywood, Nicholas Langellier, David W. Latham, Mercedes L\'opez-Morales, Michel Mayor, Giusi Micela, Timothy W. Milbourne, Annelies Mortier, Emilio Molinari, Francesco Pepe, David F. Phillips, Matteo Pinamonti, Giampaolo Piotto, Ken Rice, Dimitar Sasselov, Alessandro Sozzetti, St\'ephane Udry, Christopher A. Watson
• Abstract要約: 本研究では,RV観測から活動信号(星点/星雲による)を効果的に除去できることを,機械学習技術が示している。 将来的には、これらの技術は太陽系外の恒星の観測から活動信号を取り除き、太陽に似た恒星の周囲に居住可能な地球質量の太陽系外惑星を検出するのに役立ちます。
• 参考スコア（独自算出の注目度）: 36.77733316704363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exoplanet detection with precise radial velocity (RV) observations is currently limited by spurious RV signals introduced by stellar activity. We show that machine learning techniques such as linear regression and neural networks can effectively remove the activity signals (due to starspots/faculae) from RV observations. Previous efforts focused on carefully filtering out activity signals in time using modeling techniques like Gaussian Process regression (e.g. Haywood et al. 2014). Instead, we systematically remove activity signals using only changes to the average shape of spectral lines, and no information about when the observations were collected. We trained our machine learning models on both simulated data (generated with the SOAP 2.0 software; Dumusque et al. 2014) and observations of the Sun from the HARPS-N Solar Telescope (Dumusque et al. 2015; Phillips et al. 2016; Collier Cameron et al. 2019). We find that these techniques can predict and remove stellar activity from both simulated data (improving RV scatter from 82 cm/s to 3 cm/s) and from more than 600 real observations taken nearly daily over three years with the HARPS-N Solar Telescope (improving the RV scatter from 1.753 m/s to 1.039 m/s, a factor of ~ 1.7 improvement). In the future, these or similar techniques could remove activity signals from observations of stars outside our solar system and eventually help detect habitable-zone Earth-mass exoplanets around Sun-like stars.
• Abstract（参考訳）: 正確な放射速度(RV)を観測する太陽系外惑星検出は、星活動によって引き起こされる刺激的なRV信号によって現在制限されている。 線形回帰やニューラルネットワークのような機械学習技術は、RV観測から活動信号(スタースポット/ファキュラによる)を効果的に除去できることを示す。 以前の取り組みは、ガウス過程回帰(haywood et al. 2014)のようなモデリング技術を使って、時間内にアクティビティ信号を注意深くフィルタリングすることに焦点を当てていた。 代わりに、スペクトル線の平均的な形状の変化のみを用いて、系統的に活動信号を取り除き、いつ観測されたかに関する情報は得られない。 私たちは、シミュレーションデータ(SOAP 2.0ソフトウェアで生成されたDumusqueなど)と、HARPS-N太陽望遠鏡(Dumusque et al. 2015; Phillips et al. 2016; Collier Cameron et al. 2019)からの太陽の観測の両方に基づいて、機械学習モデルをトレーニングしました。 これらの技術は、シミュレーションデータ(82 cm/sから3 cm/s)と、HARPS-N太陽望遠鏡(約1.753 m/sから1.039 m/s)で3年間に約600回観測された実測値(約1.7の改善率)から恒星活動を予測することができる。 将来的には、太陽系外にある恒星の観測から活動シグナルを取り除き、太陽のような恒星の周りに居住可能な地球外惑星を検出するのに役立つだろう。

関連論文リスト

• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Improving Earth-like planet detection in radial velocity using deep learning [33.04110644981315]
  本稿では,スペクトルレベルでの恒星活動信号を効率的にモデル化する新しい畳み込みニューラルネットワークアルゴリズムを提案する。 アルファ・ケンタウリ B (HD128621)、タウ・セティ (HD10700)、太陽の3つで観測されている。 我々のアルゴリズムは、恒星の活動信号を緩和するのにさらに効率的であり、地球の軌道上の2.2$mathrmM_oplus$の惑星に対応する0.2m/sの閾値に達することができる。
  論文  参考訳（メタデータ） (2024-05-21T23:28:20Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)
• A Machine Learning approach for correcting radial velocities using physical observables [0.0]
  シミュレーションと実データを用いて、恒星の活動を自由なドップラーで測定するディープニューラルネットワーク手法の能力について検討する。 RV非依存的アプローチは、既知の物理的効果から急激なドップラー変動を大幅に低減できることを示す。 観測された変動率と補正の一致をよく観察するが,ノイズ低減はシミュレーションほど良くないことがわかった。
  論文  参考訳（メタデータ） (2023-01-30T13:25:00Z)
• Modelling stellar activity with Gaussian process regression networks [0.0]
  HARPS-N太陽分光観測を用いて、この枠組みがRVデータと従来の恒星活動指標を共同でモデル化できることを実証した。 我々は、RVと恒星活動時系列の相関関係を数日の間隔で最大にし、時系列における非定常行動の証拠を見いだす。
  論文  参考訳（メタデータ） (2022-05-13T13:20:25Z)
• First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning [55.41644538483948]
  チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。 地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。 我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
  論文  参考訳（メタデータ） (2021-05-31T12:51:42Z)
• Exoplanet Detection using Machine Learning [0.0]
  トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。 ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。 トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
  論文  参考訳（メタデータ） (2020-11-28T14:06:39Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。